9、基于案例的推理与聚类方法详解

基于案例的推理与聚类方法详解

1. 基于案例的推理（Case - Based Reasoning）

在处理图像等信息时，我们常常需要特殊的相似度度量方法。不同类型的图像，如二值图像、灰度图像等，都有相应的相似度度量方法被提出。例如，Cortelazzo 等人提出了用于二值图像比较的相似度度量，Wilson 等人和 Moghaddam 等人则针对灰度图像提出了相关方法。对于形状比较，也有基于地标和结构特征的相似度方法。

1.1 案例描述

相似度的计算是基于案例的关键属性。只有最具预测性的属性才能确保准确找到最相似的案例。这些属性被总结到案例描述中，案例描述要么事先给定，要么在知识获取过程中获得，我们可以使用 repertory grid 进行知识获取。

在多媒体应用中，一个案例通常涉及不同类型的信息。以图像解释系统为例，主要有与图像相关的信息（如 1D、2D 或 3D 图像）和与图像无关的信息（如传感器类型和参数、物体信息或场景光照等）。具体考虑哪些信息取决于应用类型。

从形式上看，一个案例 F 可以定义为一个三元组 (P, E, L)，其中 P 是问题描述，E 是解决方案的解释，L 是问题的解决方案。

1.2 案例库的组织

案例库的组织方式主要有扁平组织和层次组织两种，如下表所示：
|组织方式|特点|
| ---- | ---- |
|扁平组织|需要计算问题案例与内存中每个案例的相似度，即使案例库很大也需如此，耗时较长。通常在并行机器上运行以在合理时间内完成检索，且不允许案例库超过预定义的限制。通过将案例库划分为案例簇并控制簇的数量和大小进行维护。|
|